AI 快讯 | GPT-Live-1 上线 API：全双工语音模型，单模型取代 ASR→LLM→TTS 三件套

KolaByte · 2026 年9 月 13 日 04:43

一句话核心：OpenAI 将 GPT-Live-1 全双工实时语音模型正式上线 API——将传统「ASR→LLM→TTS」三步管线压缩为单一模型，支持打断处理、背景噪声过滤和工具调用，前端语音 $0.05/分钟，可连接 Codex 构建企业级语音 Agent。

核心亮点

单模型全双工：一个模型同时完成语音理解与语音输出，省去了 ASR→LLM→TTS 的三段衔接延迟。复杂推理和工具调用可交由后端文本模型（如 GPT-6 Astra）处理。
实战效果已验证：语言学习平台 Speak 使用后误打断次数减少约 80%；医疗服务平台 CTO 称代码量减少 80%、删除约 2.3 万行代码。
企业工作流集成：可连接 Codex 和 OpenAI Presence，构建能查询企业系统、执行获批操作、必要时转交人工的语音工作流。12 种新声音同步上线（Quartz、Ripple、Vesper 等）。
定价清晰：前端语音层 $0.05/分钟（约每小时 $3），后端模型和工具调用费用另计。

指标	结果
Full Duplex Bench	比 GPT-Realtime-2.1 高 30 个百分点
Tau3 端到端语音 Agent（配 GPT-6 Astra 中等推理）	排名第一
Speak 误打断	减少约 80%
医疗平台代码量	减少 80%（删约 2.3 万行）

解读：Full Duplex Bench +30pp 是这次最硬的数据——它直接衡量「同时听和说」的能力，传统流水线架构在这个指标上天然吃亏。单模型架构的延迟优势在这里完全体现。

实操换算：一个典型的客服通话如果是 5 分钟，前端语音成本约 $0.25。如果后端接的是 GPT-6 Astra 做复杂推理，就要叠加文本模型的 token 费用。对于需要 Codex 工具调用的企业场景（预订餐厅、查库存、转人工），工具调用费用另算。

过去语音 Agent 最大的痛点是延迟和「机械感」——ASR 转文字再送 LLM 再 TTS 念出来，每一步都是延迟叠加。GPT-Live-1 把三步压成一步，延迟降下去了，但更关键的是「打断处理」和「噪声过滤」让语音交互不再像对讲机。

对企业来说，$0.05/分钟的价格意味着语音 Agent 从「技术演示」阶段进入了「商业化」阶段。配合 Codex 工具链，电话预订、客服查询、语音下单这些场景可以开始算 ROI 了。

但有一点值得注意：前端 $0.05/分钟看起来便宜，但如果任务需要频繁调用后端文本模型做复杂推理，总成本会明显上升。适合「高频简单交互」（如预约、查询状态），不适合「低频深度推理」（如语音编程辅助）。